Automatisierte Immobilienbewertung (AVM)

Ein klassisches Gutachten dauert Tage und kostet Hunderte Euro. Das ist zu langsam und zu teuer für ein Lead-Formular, für die Überwachung der Sicherheiten zehntausender Hypotheken oder für die Vorauswahl einer Investitionspipeline. Ein automatisiertes Bewertungsmodell (Automated Valuation Model, AVM) schätzt den Marktwert (oder die Miete) einer Immobilie in Sekunden aus Transaktions- und Angebotsdaten, Lage und Gebäudemerkmalen. Es liefert eine Wertspanne, einen Konfidenzwert und die Vergleichsverkäufe hinter der Schätzung. In der EU dürfen Banken nach den EBA-Leitlinien zur Kreditvergabe und CRR3 fortgeschrittene statistische Modelle zur Überwachung und Neubewertung von Hypothekensicherheiten einsetzen. Makler und Portale nutzen AVMs zur Lead-Gewinnung, und Eigentümer nutzen sie für einen schnellen Preischeck. Förmliche Bewertungen brauchen weiterhin einen menschlichen Sachverständigen.

Problem & Nutzen

• Heute: Kreditgeber beauftragen für jeden Kredit einen unabhängigen Gutachter und müssen Sicherheiten regelmäßig neu bewerten. Makler und Eigentümer verlassen sich auf Bauchgefühl oder Angebotspreise. Investoren und öffentliche Stellen bewerten große Portfolios mit Tabellenkalkulationen und Faustregeln. All das ist langsam und teuer, und die Ergebnisse unterscheiden sich von Gutachter zu Gutachter.
• KI-Nutzen: sofortige, einheitliche und nachvollziehbare Werte mit einem Konfidenzmaß, das anzeigt, wann ein Mensch hinschauen muss. Portfolios lassen sich in Masse neu bewerten statt stichprobenartig. Die Vorqualifizierung von Hypothekenanfragen wird schneller, und Gutachter können sich auf atypische, hochwertige oder Fälle mit geringer Konfidenz konzentrieren.
• Regulatorischer Sog (EU): Die EBA-Leitlinien zur Kreditvergabe und -überwachung (EBA/GL/2020/06, anwendbar ab 30. Juni 2021) legen Kriterien für den Einsatz fortgeschrittener statistischer Modelle bei der Bewertung, Neubewertung und Überwachung von Sicherheiten fest. Die überarbeitete Eigenkapitalverordnung (CRR3) hat diese Kriterien in Recht der Ebene 1 überführt. Nicht jedes am Markt erhältliche AVM erfüllt sie [1][2][3].
• Regulatorischer Sog (USA): Sechs Behörden (CFPB, OCC, Fed, FDIC, NCUA, FHFA) haben Qualitätskontroll- standards für AVMs verabschiedet, wirksam ab 1. Oktober 2025. Sie verlangen ein hohes Maß an Vertrauen, Schutz vor Datenmanipulation, keine Interessenkonflikte, Stichprobentests und die Einhaltung des Diskriminierungsverbots [4].
• Gemessene Vorteile (vom Anbieter berichtet, nicht unabhängig geprüft): PriceHubble berichtet von fünfmal mehr Anfragen zur Hypothekenfinanzierung bei der Sparkasse Bodensee und 3,1-mal mehr Kundengesprächen je Berater bei MoneyPark, nachdem Bewertungswerkzeuge in die Kundenreise eingebettet wurden [5].

Varianten

• Kreditvergabe (Banken, Bausparkassen): Vorbewertung bei Kreditantrag, Eingang in das Gutachten des unabhängigen Sachverständigen (Beleihungswert / Marktwert) sowie statistische Überwachung und Neubewertung des gesamten Sicherheitenbestands nach CRR. Typischer deutscher Stack: on-geo LORA, Sprengnetter, VALUE AG / Europace Wertermittlung [6][7][8].
• Makler & Portale (Lead-Gewinnung): „Was ist mein Haus wert?"-Widgets auf der Website, die Verkäufer-Leads erfassen, zum Beispiel die kostenlose Bewertung von ImmoScout24, die das Vergleichswertverfahren auf der eigenen Inserats- und Transaktionsdatenbank nutzt [9].
• Investoren, Fonds & Vermögensverwalter: Massenbewertung von Ankaufspipelines und Portfolios, Mark-to-Model zwischen Gutachten, Mietschätzung für das Underwriting (Wohnen und einfache Gewerbeobjekte; komplexe Gewerbeobjekte bleiben Sache von DCF und Gutachtern).
• Versicherer: Schätzung von Versicherungssumme und Wiederherstellungskosten (überschneidet sich mit PRED-010) sowie Plausibilisierung von Schadenfällen.
• Öffentlicher Sektor: Massenbewertung für die Grundbesteuerung (computergestützte Massenbewertung, CAMA) und Analyse von Bodenrichtwerten und Marktberichten der Gutachterausschüsse. Die deutschen Gutachterausschüsse leiten Bodenrichtwerte nach ImmoWertV ab, was die automatisierte Fortschreibung der Bodenrichtwerte (§ 17) einschließt. Die Werte werden über BORIS-D veröffentlicht [10][11].
• Miet-AVM: Marktmiete schätzen, genutzt zur Prüfung der Einhaltung der Mietpreisbremse, für das Underwriting von Kapitalanlageobjekten und zur Preisbildung im sozialen Wohnungsbau.
• Privatnutzung: Eigentümer, Käufer und Erben erhalten vor einem Verkauf, Kauf oder einem Erbschaftsgespräch eine schnelle, kostenlose Wertindikation. Sie ist kein Ersatz für ein zertifiziertes Gutachten für Steuer- oder Gerichtszwecke [9].
• Nicht Teil dieses Anwendungsfalls: Gebrauchtfahrzeuge → PRED-041; physische Klimarisiken je Adresse → PRED-036 (ein Eingang für AVMs); Energieeffizienz und Sanierung → PRED-048.

So funktioniert es

1. Datenaufnahme (Transaktionen, Inserate, Mieten, Bodenrichtwerte, Geo-Layer, Energieausweis, eigener Kreditbestand)
2. Bereinigung & Geokodierung (Inserate entdoppeln, Ausreißer, Adresse
3. Koordinaten/Gebäude-ID)
4. Feature Engineering (Mikrolage: POIs, ÖPNV, Lärm; Makro: Region, Zeit; Objektmerkmale)
5. Modell-Ensemble: hedonisches Gradient-Boosting-Modell (LightGBM/XGBoost/CatBoost) + räumliche Merkmale Vergleichsverkaufs-Engine (nächste Nachbarn im Merkmals- und Geo-Raum, angepasst) Immobilienpreisindex zur Zeitanpassung (Repeat-Sales- / hedonischer Index)
6. Kalibrierung & Unsicherheit (Quantilsregression / konforme Intervalle
7. FSD, Konfidenzstufe)
8. Erklärung (SHAP-Werttreiber, Liste der Vergleichsobjekte)
9. Entscheidungsregel (Konfidenz ≥ Schwelle
10. automatische Annahme für den Zweck; sonst
11. menschlicher Gutachter)
12. Überwachung (Rückvergleich mit späteren Verkäufen, Drift, Bias-Prüfungen, Modellversionierung)

• Kernmodell: Gradient-Boosted Trees auf tabellarischen und Geodaten-Merkmalen bleiben das Arbeitspferd. Die meisten produktiven AVMs mischen ein hedonisches Modell mit einer Vergleichs-Engine und einem Repeat-Sales- oder hedonischen Index und gewichten die Ergebnisse nach Konfidenz [12].
• Unstrukturierte Eingaben: VLMs bewerten Zustand und Ausstattung anhand von Inseratsfotos und lesen Grundrisse. LLMs extrahieren Merkmale aus Exposés und Beschreibungen, und Text-Embeddings werden zu Merkmalen. Luftbilder ergänzen Dach-, Grundstücks- und Begrünungsmerkmale.
• Mensch-in-der-Schleife (Human-in-the-Loop): Das AVM entscheidet, wann ein Mensch nötig ist. Ergebnisse mit geringer Konfidenz, atypische Objekte, Fälle mit hohem Beleihungsauslauf und alles, was für einen förmlichen Markt- oder Beleihungswert genutzt wird, gehen an einen qualifizierten Gutachter, der den Wert übersteuern kann und dies dokumentiert begründet.

Datenaufbereitung

Ein AVM braucht Transaktions- und Angebotspreise, Objektmerkmale (Fläche, Baujahr, Zustand, Energieklasse), Lagedaten und, für Kreditgeber, Ihre eigene Bewertungshistorie. Wo sie liegen: Kaufpreissammlungen der Gutachterausschüsse, Angebotsportale, Grundbuchauszüge, Gutachten als PDF im DMS, das Kreditsystem, Excel-Listen der Objekte und Papierakten der Hausverwaltung.

Typische Lücken: Gutachten nur als gescannte PDFs, Merkmale als Freitext, uneinheitliche Adressen, Dubletten zwischen Portalen und eigenen Listen, fehlende Zustands- oder Sanierungsdaten, veraltete Datensätze und Lizenzgrenzen bei Daten Dritter.

Schritte: strukturierte Felder aus Gutachten-PDFs extrahieren (DOC-003, DOC-014), ältere Akten scannen und per OCR erfassen (PREP-006), Adressen geokodieren und normalisieren, entdoppeln, Objektarten und Zustandsskalen vereinheitlichen (PREP-019), Ausreißer bereinigen (Übertragungen innerhalb der Familie, Zwangsverkäufe) und jüngste Verkäufe als Blind-Testdatensatz zurückhalten (PREP-018). Werkzeuge: Paperless-ngx oder Ihr DMS, Python mit pandas und geopandas, OpenStreetMap-Geokodierer, Excel Power Query. Prüfen Sie Lizenzen und den DSGVO-Zweck bei der Weiternutzung von Daten (PREP-025); siehe DATA-004 und GUIDE-003.

Aufwand: etwa ein Drittel bis die Hälfte eines Projekts; bei Weg A meist beschränkt auf Ihre eigenen Vergleichsobjekte und eine Teststichprobe.

Umsetzungswege

Welcher Weg für wen

• smb (Makler, Gutachter, Hausverwaltungen, kleine Kreditgeber): A. Bewertungs-APIs und Widgets etablierter Anbieter mit lizenzierten Transaktionsdaten sind ausgereift und werden je Bewertung abgerechnet.
• enterprise (Banken, Versicherer, Portfoliohalter): B. Die Bewertung speist Kredit-, Sicherheiten- und Preisprozesse, daher binden Sie Anbieterdaten und -modelle per API mit Ihrer eigenen Portfoliohistorie ein.
• developer: C. Offene Modelle (Gradient Boosting, Geodaten-Merkmale) auf offenen und lizenzierten Daten geben volle Kontrolle und Erklärbarkeit.
• private: A. Verbraucher nutzen kostenlose oder kostenpflichtige Online-Bewertungswerkzeuge; eine eigene Infrastruktur ist nicht sinnvoll.
• public (Gutachterausschüsse, Steuer- und Grundbuchämter): C. Amtliche Kaufpreisdaten und Souveränitätsanforderungen sprechen für Open-Source-Modelle in einer souveränen EU- oder deutschen Cloud.

Weg A — Kaufen (Standardsoftware) (empfohlen für die meisten KMU und Banken)

• Deutsche / EU-Anbieter: on-geo (LORA-Beleihungswert-Plattform; Accumate AVM) (DE), Sprengnetter (SprengnetterAVM-API, SprengnetterONE für Banken) (DE), VALUE AG mit Europace Wertermittlung (Hypoport-Gruppe) (DE), PriceHubble (CH/EU, Banken, Makler, Versicherer), ImmoScout24-Bewertung (DE), Realo (BE) [5][6][7][8][9][13].
• International: Cotality (früher CoreLogic) und Hometrack (britische Kreditgeber), Zillow Zestimate (US- Verbraucher).
• Prüfen: Abdeckung Ihrer Region und Objektart, Rückvergleichsstatistiken für Ihren Markt (Trefferquote innerhalb von ±10 %, FSD-Kalibrierung), Dokumentation gegenüber den Anforderungen der EBA GLOM/CRR3, Ausgabe von Erklärung und Vergleichsobjekten, EU-Hosting, API- sowie CRM-/Kreditvergabe-Integration.
• Wählen Sie A, wenn: Sie schnell einen belastbaren Wert brauchen. Proprietäre Transaktionsdaten sind der Burggraben, und sie lassen sich intern kaum nachbauen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Daten: lizenzierte Transaktions- und Inseratsdaten (Anbieter-APIs), amtliche offene Daten (BORIS-Boden- richtwerte, Marktberichte der Gutachterausschüsse, Zensus-Rasterdaten), OpenStreetMap-POIs.
• ML-Plattformen in EU-Regionen: Azure Machine Learning AutoML, Google Vertex AI Tabular/BigQuery ML, AWS SageMaker Autopilot/AutoGluon (Frankfurt). LLM-/VLM-APIs (Mistral, Claude, Gemini, GPT) extrahieren Merkmale aus Exposés und bewerten den Zustand anhand von Fotos.
• Hybrid: den AVM-Wert per API einkaufen und dann eine eigene LLM-Schicht ergänzen, die den Bewertungstext oder den Kundenbrief schreibt, sowie eigene Geschäftsregeln.
• Wählen Sie B, wenn: Sie eigene Transaktionsdaten haben (zum Beispiel den Kreditbestand einer Bank) und Merkmale und Schwellenwerte kontrollieren wollen, ohne Infrastruktur zu betreiben.

Weg C — Selbst betreiben (Open Source)

• Stack: PostgreSQL/PostGIS für Geodaten, LightGBM/XGBoost/CatBoost oder AutoGluon-Tabular, Quantilsmodelle in scikit-learn, MAPIE für konforme Vorhersageintervalle, SHAP für Erklärungen, MLflow für Modellregister und Prüfpfad.
• Tabellarische Foundation-Modelle: TabPFN (Prior Labs, DE). Die Gewichte von v2 tragen eine freizügige Lizenz; die neueren Gewichte 2.5–3.5 sind nicht-kommerziell, sofern Sie keine Enterprise-Lizenz kaufen. Aktuelle Versionen verarbeiten bis zu 1 Mio. Zeilen und brauchen für große Datensätze eine GPU [14].
• Optionales VLM: Qwen-VL oder Mistral Small Vision zur Zustandsbewertung anhand von Fotos.
• Hardware: HW1 (CPU-Server) genügt für Gradient Boosting auf Millionen von Transaktionen. Wählen Sie HW2, wenn Sie Foto- und VLM-Merkmale oder TabPFN in großem Maßstab ergänzen.

Weg D — Eigenes Training

Das ist die Regel für alle, die ein eigenes AVM bauen: Das Modell wird immer auf Ihren eigenen Marktdaten trainiert. Der Aufwand lohnt sich nur mit privilegiertem Datenzugang (Kreditbestand einer Bank, Inserate eines Portals, Gutachterausschüsse) und einem Team, das Datenpipelines, Rückvergleich und Validierung pflegen kann. Planen Sie Jahre an Transaktionen je Region ein, dazu Geokodierung und Entdoppelung. Fortgeschrittene Optionen sind raumzeitliche Modelle und Bild-/Grundriss-Encoder, die auf Zustandslabels feingetunt werden.

Stand der Technik (2026)

• Ensembles schlagen Einzelmodelle: Gradient Boosting mit reichhaltigen Mikrolage-Merkmalen, einer Vergleichs-Engine und einem Zeitindex ist weiterhin der Best-Practice-Kern. Deep Learning und Graph Neural Networks über räumliche Nachbarschaften zeigen in der Forschung Vorteile. In der Produktion dienen sie meist als zusätzliche Merkmale, nicht als Ersatz.
• Tabellarische Foundation-Modelle (TabPFN-Familie) erreichen inzwischen konkurrenzfähige Genauigkeit auf kleinen und mittelgroßen Tabellen ohne Tuning. Das ist nützlich für dünne ländliche Märkte und Gewerbenischen [14].
• Multimodale Merkmale: Inseratsfotos, Grundrisse und Beschreibungstexte, gelesen von VLMs und LLMs, erfassen zunehmend Zustand und Ausstattung, früher der größte blinde Fleck hedonischer Modelle.
• Unsicherheit ist jetzt Teil der Regulierung: Die US-Regel und die EBA/CRR3-Praxis verlangen kalibrierte Konfidenzmaße und dokumentierte Tests, daher sind FSD, konforme Intervalle und unabhängiger Rückvergleich Standard geworden [3][4].
• Grenzen: Die Genauigkeit sinkt stark bei atypischen, Luxus-, ländlichen und Gewerbeobjekten sowie in dünnen oder drehenden Märkten. Angebotspreise sind keine Transaktionspreise, und deutsche Transaktionsdaten (Kaufpreissammlungen) sind fragmentiert und nur teilweise zugänglich. AVMs können historische Nachbarschaftsverzerrungen übernehmen, und es entstehen Rückkopplungsschleifen, wenn AVM-Werte die Preise verankern, aus denen sie später lernen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Tabular-ML-Stack und gleiche CPU-Stufe (HW1): PRED-009 Kredit-Scoring (ein AVM liefert den Beleihungsauslauf), PRED-010 Versicherungspreisbildung (Wiederherstellungswert), PRED-041 Bewertung gebrauchter Fahrzeuge (gleiches Bewertungsmodell-, Residuen- und Rückvergleichsmuster), PRED-036 Klimarisiko (Gefahrenwerte sind AVM- Merkmale und Abschläge), PRED-048 Energieeffizienz (Energieklasse als Werttreiber und Analyse der Grünprämie).
• Gemeinsame Geodaten-Pipeline: DATA-011 Geodatenanalyse (PostGIS, POIs, Rasterdaten), VIS-021 Luftbilder (Dach- und Grundstücksmerkmale), DATA-004 Scraping von Inseraten.
• Dokumenten- & Bildeingang: DOC-003 und DOC-017 Kreditantragsunterlagen, VLM-Lesen von Fotos und Exposés, VIS-023 Bewertung von Gebäudeschäden. Ein VLM-Server (HW2) kann alle bedienen.
• Front-End-Kombinationen: GEN-018 virtuelles Staging, GEN-025 3D-Rundgänge und GEN-024 generative Standort- planung (Realisierbarkeitswert eines Grundstücks). DOC-011 Due-Diligence-Datenräume nutzen AVM-Werte für Portfoliotransaktionen.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen per API oder Widget; Abrechnung je Bewertung oder als Abonnement. Die Kosten der Datenlizenz dominieren.
• Weg B/C: 2–6 Monate für ein erstes Produktionsmodell einschließlich Datenverträgen, Geokodierung und Rückvergleich. Die laufenden Kosten sind überwiegend Datenbeschaffung und Modellvalidierung, nicht Rechenleistung.
• Weg D im Maßstab einer Bank/eines Portals: ein eigenes Data-Science-Team plus jährliche unabhängige Validierung.
• Kennzahlen: mittlerer absoluter prozentualer Fehler (Median, MdAPE) auf späteren Transaktionen, Trefferquote innerhalb von ±10 % / ±20 %, FSD-Kalibrierung (hält die angegebene Konfidenz?), Abdeckung (Anteil der Anfragen mit einem verwertbaren Wert), Anteil der an Gutachter weitergeleiteten Fälle, Durchlaufzeit, Kosten je Bewertung, Bias-Kennzahlen über Nachbarschaften, Lead-Konversion bei Widget-Anwendungsfällen.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung (welche Entscheidungen sich auf den Wert stützen), die Abteilungsleitung (Leitung Bewertung, Kredit oder Vermittlung) und die Gutachter ein, die mit dem Ergebnis arbeiten; sie behalten das letzte Wort über den Wert. Die IT bindet die API oder Datenpipeline an. Die/der Datenschutzbeauftragte und Recht/Compliance klären Datenlizenzen, personenbezogene Daten auf Adressebene und, für Banken, aufsichtsrechtliche Regeln zur Sicherheitenbewertung (CRR, EBA-Leitlinien).

Betriebsrat: in der Regel nein. Das System bewertet Immobilien, nicht Beschäftigte. Wenn Sie Annahme- oder Übersteuerungsquoten der Gutachter je Person erfassen, greift §87(1) Nr. 6 BetrVG. Informieren Sie den Betriebsrat stets, wenn sich Arbeitsabläufe ändern (§90(1) Nr. 3). Öffentliche Stellen informieren den Personalrat.

Datenschutz: Immobiliendaten mit Eigentümer- oder Adressbezug sind personenbezogene Daten; schließen Sie mit jedem Anbieter einen AVV (Art. 28 DSGVO) und prüfen Sie, ob eine DSFA nötig ist, wenn Bewertungen Einzelpersonen betreffen (GUIDE-005). Beachten Sie, dass Bewertungen, die in Verbraucherkreditentscheidungen einfließen, die Pflichten für Hochrisiko-Systeme nach Anhang III berühren.

KI-Kompetenz: Schulen Sie Gutachter darin, Konfidenzspannen zu lesen und ungewöhnliche Objekte zu erkennen (GUIDE-006). Pilotieren Sie mit einer Region oder einem Segment, führen Sie einen Blind-Rückvergleich gegen Gutachter durch und veröffentlichen Sie die Ergebnisse im Team. Die typische Sorge ist „das AVM ersetzt Gutachter"; antworten Sie mit einer klaren Regel: Das AVM bearbeitet Standardobjekte, Menschen entscheiden über atypische und unterschreiben. Siehe GUIDE-009, GUIDE-008 und GUIDE-010.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act) — kommt darauf an: Ein AVM bewertet eine Immobilie, keine Person, und ist daher selbst nicht in Anhang III aufgeführt. Ist es jedoch Bestandteil eines Systems, das die Kreditwürdigkeit natürlicher Personen bewertet (Anhang III 5(b)), fällt es unter Risikomanagement, Daten-Governance und Dokumentation dieses Hochrisiko-Systems, und die Ausnahme für „enge Verfahrensaufgaben" nach Art. 6(3) braucht eine sorgfältige Prüfung. Verbraucherseitige Bewertungs-Chatbots lösen die Transparenzpflichten nach Art. 50 aus. Die eigenständige Nutzung durch Makler, Investoren oder Eigentümer ist in der Regel minimales Risiko (Art. 4 KI-Kompetenz gilt) [15].
• Bankenrecht: Die EBA-GLOM-Abschnitte zur Sicherheitenbewertung und CRR3 (Verordnung (EU) 2024/1623) legen Bedingungen für statistische Modelle bei Bewertung, Überwachung und Neubewertung fest. In Deutschland regelt die BelWertV den Beleihungswert, und die Modellrisiko-Erwartungen von BaFin/EZB verlangen zusätzlich unabhängige Validierung, Dokumentation, Governance für Übersteuerungen und regelmäßigen Rückvergleich. Ein statistisches Modell ersetzt den unabhängigen Gutachter nicht, wo das Gesetz einen verlangt [1][2][3].
• DSGVO: Adresse und Wert einer Immobilie im Eigentum einer identifizierbaren Person sind personenbezogene Daten, und ein einem Eigentümer oder Kreditnehmer zugeordneter Wert ist besonders sensibel. Sie brauchen eine Rechtsgrundlage (Vertrag, berechtigtes Interesse), Zweckbindung für gescrapte Inseratsdaten, einen AVV mit dem Anbieter und EU-Hosting. Art. 22 greift, wenn ein Kredit automatisch aufgrund des Werts abgelehnt wird.
• Fairness: US-Regeln verlangen ausdrücklich Diskriminierungstests für AVMs. EU-Kreditgeber sollten gleichwertige Bias-Prüfungen über Nachbarschaften hinweg durchführen [4].
• Weitere Risiken: Datenmanipulation (aufgeblähte Vergleichsobjekte), veraltete Daten in drehenden Märkten und übermäßiges Vertrauen in Punktschätzungen. Gegenmaßnahmen: Konfidenzschwellen, verpflichtende menschliche Prüfung unterhalb dieser Schwellen, dokumentierte Übersteuerungen und unabhängiger Rückvergleich.

Erste Schritte

1. Den Zweck definieren (Lead-Widget, Vorbewertung, Sicherheitenüberwachung, Portfolio, Steuer), denn er bestimmt die erforderliche Genauigkeit, Erklärbarkeit und Regulierung.
2. Die eigenen Daten inventarisieren: Kreditbestand oder Transaktionshistorie, Inserate, Gutachten und der Zugang zu Gutachterausschuss- und BORIS-Daten.
3. Einen Blind-Rückvergleich von 2–3 Anbietern (Weg A) an einigen hundert Ihrer jüngsten Transaktionen durchführen und MdAPE, Trefferquote und FSD-Kalibrierung nach Region und Objektart vergleichen.
4. Konfidenzschwellen und die Weiterleitung an menschliche Gutachter festlegen und für das Modellrisiko- management sowie, soweit relevant, für AI Act und CRR dokumentieren.
5. Monatlich gegen neue Transaktionen überwachen; Foto-, Grundriss- und Energieausweis-Merkmale ergänzen, sobald die Basislinie stabil ist.

Quellen

1. EBA — Guidelines on loan origination and monitoring (EBA/GL/2020/06) — https://www.eba.europa.eu/regulation-and-policy/credit-risk/guidelines-on-loan-origination-and-monitoring
2. Regulation (EU) 2024/1623 (CRR3) amending Regulation (EU) No 575/2013 — https://eur-lex.europa.eu/eli/reg/2024/1623/oj/eng
3. European AVM Alliance & European Mortgage Federation — 2025 Joint Paper on the use of AVMs in Europe (May 2025) — https://www.europeanavmalliance.org/en/news/news-reader/EAA-and-EMF-European-Mortgage-Federation-present-their-updated-2025-Joint-Paper-on-the-Use-of-Automated-Valuation-Models-AVMs-in-Europe.html
4. CFPB et al. — Final rule: Quality control standards for automated valuation models (effective 1 Oct 2025) — https://www.consumerfinance.gov/rules-policy/final-rules/quality-control-standards-for-automated-valuation-models/
5. PriceHubble — property intelligence for banks, lenders, insurers (case studies) — https://www.pricehubble.com/en/
6. on-geo — LORA and Accumate — https://www.on-geo.de/
7. Sprengnetter — SprengnetterAVM and SprengnetterONE — https://www.sprengnetter.de/
8. VALUE AG — valuation and Europace Wertermittlung — https://www.value.ag/
9. ImmoScout24 — Immobilienbewertung — https://www.immobilienscout24.de/immobilienbewertung/
10. Immobilienwertermittlungsverordnung (ImmoWertV) — https://www.gesetze-im-internet.de/immowertv_2022/
11. BORIS-D — Bodenrichtwertinformationssystem für Deutschland — https://www.bodenrichtwerte-boris.de/
12. Wikipedia — Automated valuation model (methods overview) — https://en.wikipedia.org/wiki/Automated_valuation_model
13. Realo — The Realo Estimate and the EBA loan origination guidelines — https://www.realo.be/fr/insights/white-paper-the-realo-estimate-for-the-new-eba-guidelines-on-loan-origination-and-monitoring
14. Prior Labs — TabPFN repository — https://github.com/PriorLabs/TabPFN
15. EU AI Act — Annex III (high-risk use cases) — https://artificialintelligenceact.eu/annex/3/